知识卡片
SmoothGrad平均多次带噪梯度
SmoothGrad 对输入加入多次随机噪声,分别计算梯度显著图再取平均,以减少局部梯度可视化中的噪声。图像更平滑不等于解释更忠实,结果仍依赖噪声规模、目标输出及模型。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 可解释性机器学习 18.4 可解释性机器学习中的局部解释 · 查看原书依据
其实,可解释性机器学习的显著图还可以画得更好——使用一种名为SmoothGrad[1]的方法,如图18.4 所示.图片中是羚羊,所以我们希望机器把主要精力集中在羚羊身上. 如果使用前面介绍的方法直接画显著图的话,得到的结果可能是中间图的样子.羚羊的附近有比较多的亮点,但是其他地方也有一些噪声. SmoothGrad 解决了这个问题.使用SmoothGrad 方法可以减少显著图中的噪声,使得大多数的亮点集中在羚羊身上.SmoothGrad 方法是怎么做的呢?其实就是在图片上添加各种不同的噪声,得到不同的图片. 接下来在每一张图片上计算显著图,如果添加 100 种噪声,就会有 100 张显著图,平均起来就得到了 SmoothGrad 显著图.
参考来源
- 位置:《深度学习详解》第18章《可解释性机器学习》18.4 可解释性机器学习中的局部解释(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter18.xhtml`)
- 结论依据:原文说明局部与全局、梯度饱和、探针和局部代理;忠实度限制按方法边界表述。
- 原始内容:其实,可解释性机器学习的显著图还可以画得更好——使用一种名为SmoothGrad[1]的方法,如图18.4 所示.图片中是羚羊,所以我们希望机器把主要精力集中在羚羊身上. 如果使用前面介绍的方法直接画显著图的话,得到的结果可能是中间图的样子.羚羊的附近有比较多的亮点,但是其他地方也有一些噪声. SmoothGrad 解决了这个问题.使用SmoothGrad 方法可以减少显著图中的噪声,使得大多数的亮点集中在羚羊身上.SmoothGrad 方法是怎么做的呢?其实就是在图片上添加各种不同的噪声,得到不同的图片. 接下来在每一张图片上计算显著图,如果添加 100 种噪声,就会有 100 张显著图,平均起来就得到了 SmoothGrad 显著图.